2022年基金行业之基金经理专题报告 基于持仓刻画基金经理行业投资能力

1.行业配置特征四宫格：基于行业持仓对基金进行分类

基金的投资收益有三个来源，包括资产配置、行业配置和个股选择。对于权益类基金来说， 资产配置的空间有限，其收益则主要来源于投资的行业和个股。投资思路不同的基金经理， 其收益来源的侧重点也不同。部分基金经理在行业配置上较为稳定且均衡，则其收益来源 可能更侧重于行业内个股选择；部分基金经理在行业配置上轮动速度较快，则其收益来源 同时侧重于行业配置和个股选择。因此在分析基金经理的行业配置能力和行业内个股选择 能力之前，我们需要先对基金的行业配置特征进行刻画。

根据基金行业仓位集中度和变动幅度，我们可以从均衡-集中、稳定-轮动四宫格来 刻画基金和基金经理的行业配置特征：

（1）“均衡-轮动型”：行业间配置差异小，同时各期行业配置变动较大，如 王海峰在管的银华鑫锐灵活配置和唐晓斌、杨冬在管的广发多因子等。这类基金能够在均 衡配置分散风险的同时，通过轮动捕捉重点行业收益，对基金经理的行业配置前瞻性和选 股能力均有较高要求。

（2）“集中-轮动型”：该类基金行业配置集中度较高，且各期行业仓位变动 大，如李晓星、张萍在管的银华盛世精选和金梓才在管的财通价值动量等，一般要求基金 经理拥有较强的行业配置能力。

（3）“均衡-稳定型”：该类基金各期行业仓位变动小，行业配置也较为分散。 如朱少醒在管的富国天惠精选成长和范妍在管的圆信永丰优享生活等，这类基金业绩波动 相对较小，对基金经理的选股能力以及行业覆盖面要求较高，若基金经理具备行业配置能 力则能进一步增强收益。

（4）“集中-稳定型”：该类基金行业仓位稳定集中在某一个或某几个行业上， 一般为行业主题型基金，如葛兰在管的中欧医疗健康和萧楠、王元春在管的易方达消费行 业，此类基金对基金经理行业内选股能力要求很高，也需要基金经理对细分行业有深刻认 知。

接下来，我们将从定量角度对基金经理的行业配置特征进行划分，考虑到基金的行业配置 实际上表现的是基金经理对于行业投资的思考，我们将基金行业持仓特征按照基金经理管 理期进行拆分，研究基金在同一基金经理管理期内的行业配置特征和表现。

行业配置均衡度：采用行业仓位标准差来衡量静态行业配置偏向集中或均衡

我们选择以权益基金各行业仓位的标准差衡量当期基金行业配置的均衡度，并根据得分大 小判断基金的行业配置偏向均衡还是集中。我们采用年报和半年报公布的全部持仓信息， 计算了全市场权益类基金（包括普通股票型、偏股混合型以及平均股票仓位大于 50%的灵 活配置型基金）从 2011 年 12 月到 2021 年 12 月间每个半年度的行业配置集中度，并以沪 深 300 和中证 500 的行业配置均衡度作为参照。

如前所述，我们按照不同基金经理管理区间将基金拆分成了多条基金管理记录。对于各条 基金管理记录的行业均衡度，我们采用管理期内各期行业仓位标准差均值在同期基金中的 排名百分比作为均衡度来衡量，以避免跨期比较时由于市场环境不同而对结果的准确度造 成影响。以下列举了部分当前基金经理在管期间行业配置偏向均衡的基金管理记录。

以龙昌伦管理的嘉实量化精选和田汉卿管理的华泰柏瑞量化先行为例进行分析，两支基金 2021 年报所有行业的仓位占比都在 10%以下，且仓位在 3%以上的行业分别有 13 个和 11 个，基金在各行业中的配置较为均衡。

而行业集中型基金管理记录大多为行业主题型基金，其重仓行业占比较大。在此不做进一 步展示。

行业配置稳定性：行业仓位变动绝对值衡量动态行业配置偏向稳定或轮动 我们选择以基金半年度行业仓位变动的绝对值之和，来衡量基金行业仓位变动幅度，判断 基金的行业配置是偏向轮动还是稳定。

为避免跨期比较时由于市场环境不同而对结果的准确度造成影响，我们选取基金行业仓位 变动在同期基金中的排名百分比，来判断每位基金经理在管期间，基金行业配置偏向轮动 还是稳定。以下列举了部分当前基金经理在管期间行业配置偏向轮动的基金管理记录。

集中-稳定型基金规模相对较大，均衡型基金近两年业绩较出色

接下来，我们将前述两种行业配置特征结合起来进行观测。我们将行业配置均衡度排名前 50%的基金定义为均衡型基金，后 50%定义为集中型基金；将行业配置稳定性排名前 50% 的基金定义为稳定型基金，后 50%定义为轮动型基金，两种分类方式交叉即形成四种分类。 综合来看，稳定型基金平均规模较大，而轮动型基金平均规模较小。不同类别产品的规模 差异与金融逻辑相符：当基金规模较小时，基金经理则可以灵活调整行业配置；而当基金 规模较大时，调仓成本和冲击成本也随之增加，因此行业仓位调整空间有限，因此规模相 对较大的基金，行业仓位多数较为稳定。

对四类基金的平均收益率进行观测，可以发现均衡型基金近两年业绩表现整体优于集中型 基金。2021 年 12 月 31 日到 2022 年 5 月 31 日期间，集中型基金的平均跌幅均超过 19%， 但均衡-稳定型基金和均衡-轮动型基金的平均跌幅分别为 15.7%和 17.8%，均衡型基金行业 风险分散的优势在市场下跌期间逐渐显现。而在 2021 年，均衡-轮动型基金平均收益率为 12.15%，同期其他几类基金的平均收益率均在 10%以下，可见在热点轮动、风格切换的市 场环境下，均衡-轮动型基金能更好地捕捉到具备上涨潜力的行业，获得更高收益。

从历史数据来看，均衡轮动型基金长期收益率略高于其他几类基金，但从各期数据来看， 四类基金平均收益率差异不大，且没有哪一类基金各期平均收益率均能拔得头筹。

部分主动权益基金采用行业中性策略，多数为量化基金

除前述基金分类外，部分主动权益基金采用行业中性策略，基金组合中各行业持仓与基准 指数行业权重保持一致。这部分基金不适合放入前述体系中进行分类，因此我们针对此类 基金单独进行研究。根据基金在管理期内与沪深 300 或中证 500 指数的行业配置差异，我 们将其分为中性与非中性两种类型。

整体来看，主动权益类基金中绝大部分产品与沪深 300 和中证 500 的行业配置存在较大差 异，仅有少部分基金采用行业中性策略进行投资管理。我们选择了十只当前基金经理在管 期内行业配置偏中性的基金进行展示。

提云涛在管的信诚量化阿尔法，行业分布与沪深 300 十分类似。对其 2021 年度年报行业配 置进行分析可以发现，该基金在食品饮料、银行和医药行业上的仓位较高，分别为 13%、 10%和 9%，而沪深 300 在这三个行业的仓位分别为 13%、11%和 10%，差距较小；且该 基金与沪深 300 指数一样，在许多行业均有配置，且仓位较为均衡。

刘斌在管的嘉实量化精选则与中证 500 的行业分布较为类似。对其 2021 年度年报行业配 置进行分析可以发现，该基金在电子、医药和基础化工行业的仓位较高，分别为 8%、8% 和 7%，而中证 500 在这三个行业的仓位分别为 10%、9%和 5%，差距较小；且该基金与 中证 500 指数一样，在许多行业均有配置，且仓位较为均衡。

2.多角度综合评价基金经理获取行业 Beta 收益的能力

权益类基金经理的行业配置能力一直是投资者关注的重点，从 2019 年至今，市场热点一直 在行业之间反复转换，若基金经理能够正确预测强势行业，则将会有效提升基金业绩。在 本部分中，我们将尝试从多个角度切入，由投资胜率、静态行业配置能力和动态行业配置 能力等多个指标来对基金经理的行业配置能力进行评价，同时对真正具备前瞻性的左侧交 易基金经理进行识别。此外，我们还采用这些指标构建了选基策略，回测结果显示 TOP 组 相对 BOTTOM 组有 3%左右的年化超额收益。说明正确识别行业配置能力较强的基金或基 金经理并依此构建基金组合，或能对收益有一定提升。

 行业配置胜率刻画基金经理对行业趋势方向的判断能力

最直白的行业配置能力评价指标就是配置胜率。我们以所有权益类基金（包括普通股票型、 偏股混合型、仓位超过 50%的灵活配置型基金）作为研究对象，由于基金的持仓和业绩表 现是由基金经理进行管理和决策的，基金的行业配置正确与否本质上来源于其背后基金经 理对行业的预判能力，因此我们将各只基金按照历任基金经理的管理区间，拆分成不同的 “基金管理记录”，并以基金管理记录而非基金为单位进行后续统计。

对于每条基金管理记录，我们首先计算其各期各行业的仓位占比变动，并将 T 期相对 T-1 期的行业仓位变动与 T+1 期的一级行业指数收益率相乘，得到各行业配置比例变动为基金 带来的收益贡献，再将各行业收益贡献求和，获得该基金当期的行业配置总收益率。我们 对基金管理期内的每个截面都进行上述操作，并计算行业配置总收益为正的截面数量占比， 即可得到行业配置胜率。

由于在不同市场环境下，预判未来强势行业的难易度存在较大差异，不同截面、不同区间 的行业配置胜率无法直接进行对比。因此我们选择以基金胜率在同期所有基金中的排名百 分比作为评价依据，排名百分比越靠前代表胜率越高。

为了更加清晰的获知行业配置胜率高的基金如何进行行业配置，我们选取张竞管理的安信 灵活配置进行具体分析，可以发现该只基金在当前基金经理管理的 9 期内，行业配置收益 率均为正。

据净值曲线发现，在 2020 年 12 月至 2022 年 6 月期间，该基金相对沪深 300 和中证 500 的超额收益较为显著。我们将针对该期基金经理的行业配置变动情况做进一步研究和展示。

在 2020 年底，该基金经理对 电新、有色、电子等 2021 年上半年收益率较高的行业有较大幅度的加仓，而对家电、房地 产、农林牧渔、通信、消费者服务等下跌的行业有较大幅度的减仓。可见该基金经理在 2020 年底通过对行业收益的正确预判，积极调整行业仓位，规避部分下跌行业的同时捕捉到了 强势行业，通过行业配置获得了较高的收益。

在得到每条基金管理记录的胜率后，我们进一步合成每位基金经理的行业配置胜率。如前 所述，我们计算了各条基金管理记录的胜率在同期基金中的排名百分比，解决了管理期内 市场环境不同、无法跨期比较的问题。因此进一步的，我们可以将各条基金管理记录中展 现出的行业配置正确率进行合成，以此来反映基金经理的行业配置能力。

在合成时，考虑到时间更长的记录有着更多的观测点，我们以基金管理时长作为权重，对 基金经理各条管理记录的胜率排名百分比进行加权平均，最终得到的值即为基金经理行业 配置准确率。下面展示了 10 位管理基金年限较长且历任基金胜率排名百分比均较高的基金 经理。

中间指标预测效果分析：FDBR、RDBR 和 DBR 指标对基金未来收益具备预测能力

为了确定 FDBR、RDBR、DBR 及 SBS 等指标在基金组合构建中的有效性，我们进一步采 用上述指标构建模拟组合，并采用历史数据进行回测，检验这些指标对基金收益率的预测 效果。有效性检验共分为单指标检验和双指标双排序检验两种，接下来我们将依此介绍检 验方法和各指标检验结果。

在进行单指标检验时，我们首先从主动权益类基金中剔除掉行业主题基金，随后从中选取 每期单指标排名前 5%的基金构建等权组合，将其作为 Top 组基金组合，排名后 5%的基金 等权构成 Bottom 组基金组合，由于基金每半年公布完整持仓数据，因此我们以半年作为调 仓周期，每半年对 Top 组和 Bottom 组基金进行一次轮换。

以 2012 年 12 月到 2021 年 12 月作为观测区间，我们对 Top 组合、Bottom 组合以及 Top-Bottom 多空组合的最终净值、年化收益和夏普比率进行了计算，并将年化收益率的 t 值展示在了数值下方的括号中。

通过单指标检验结果可以发现，四项指标的 Top 组平均收益均显著高于 Bottom 组。其中静 态行业配置能力指标 SBS 对基金收益率的预测效果相对较差，说明前一期能够高配强势行 业、低配弱势行业的基金经理，并不一定能在下一期也能延续此前的出色表现，能够获得 超额收益但是幅度相对较小。动态行业配置能力指标 DBR 效果则相对较好，说明部分能够 精准独立预判未来行业走势的基金经理，在下一期也能够延续此前的判断能力，业绩表现 整体较为出色，且在市场下跌和震荡期间能够获得较为明显的超额收益。

出于严谨性考虑，我们又构建了 FDBR-RDBR，SBS-DBR 两个双指标组合的交叉排序组合 和双排序组合，减少检验时组合内另一指标的影响，进一步检验指标预测的有效性。

3.多指标综合评价基金经理获取行业内 Alpha 收益的能力

权益类基金获取的收益，一方面来源于行业配置带来的行业 Beta 收益，另一方面则来源于 行业内选股带来的 Alpha 收益。在本部分中，我们将首先针对基金经理历史重仓行业进行 研究，采用定量手段分析每位基金经理的选股能力圈稳定覆盖了哪些行业，并筛选出当前 在管基金经理能力圈稳定覆盖所配行业的行业主题基金。随后，我们将研究范围进一步扩 大到全市场选股基金，并构建指标体系来多角度定量衡量基金经理整体行业 Alpha 获取能 力，研究基金经理能否从各个行业内部都选出表现出色的股票。

采用重仓行业的选股超额和胜率，筛选能力圈稳定覆盖各行业的基金经理

基金经理能力圈定义：定量测算基金经理行业内选股能力及其稳定性

基金经理的行业内选股能力也被称为基金经理能力圈。对于市场上关注度较高的基金经理， 投资者已经对其能力圈有较明确的共性认知，例如刘彦春、萧楠、张坤等明星基金经理的 能力圈覆盖食品饮料行业，葛兰、谭冬寒、赵蓓等能力圈覆盖医药行业，王君正、鄢耀等 能力圈覆盖金融行业等。在本报告中，我们希望能通过定量分析，在同一口径下对市场上 每一位基金经理的行业能力圈进行研究，并落地到行业主题基金的推荐。

本报告中对于基金经理能力圈的定义较为简明：若基金经理长期重仓于某个行业，且基金 经理在行业内部能够稳定获得超额收益，则我们认为基金经理的能力圈覆盖该行业。

研究范围仅限于重仓行业的原因是，很多主动权益类基金经理在投资时通常是有所侧重的， 对于更了解、更擅长投资的行业，基金经理通常会为其分配更多的仓位，因此在评价基金 经理的选股能力圈时，我们重点关注其历史重仓次数较多的行业。本报告将总仓位占基金 资产净值比超过 15%的行业定义为基金的重仓行业。

对于基金经理在各行业内部的超额收益，我们首先利用基金持仓信息以及个股收益率，对 每一期基金在各行业上的持股收益进行计算。例如某基金某期重仓于食品饮料行业，在该 行业内持有 3 只股票，持股权重分别是 10%、5%和 5%，则我们将 3 只股票的当期收益率 以 50%、25%和 25%的权重进行合成作为该行业上的持股收益率，随后将该收益率与对应 一级行业指数相减，所得的超额收益即为某基金某期在某重仓行业上的超额收益。

由历史重仓信息合成基金经理能力圈：重仓行业历史超额收益为正且胜率大于 50%

明确了能力圈、重仓行业以及超额收益的定义后，我们就可以计算出基金经理在某个基金 的某个截面上的所有重仓行业，以及重仓行业的超额收益。接下来，我们以 2012 年 1 月 1 日到 2022 年 3 月 31 日作为统计区间，以季度作为回测频率，以市场上所有主动权益类基 金（包括普通股票型基金、偏股混合型基金、灵活配置型基金中股票仓位持续大于 50%的 基金，也包括转型前属于上述类别的基金）为统计范围，来对基金经理在每只基金的每个 截面上的重仓行业超额进行统计，研究其能力圈。

首先，我们按照主动权益类基金历任基金经理的管理区间，将基金拆分成了多条基金管理 记录，以便后续对基金经理的行业能力圈进行精确合成。其次，我们将基金经理管理期与 基金持仓信息进行精准匹配，并采用每位基金经理的全部管理记录和重仓记录，来合成基 金经理的行业能力圈评价。对于历史有重仓记录的基金经理，我们首先排除历史超额收益 小于 0 且胜率小于 50%的重仓行业，选取剩余行业中重仓次数排名前三的行业，将这些行 业定义为该基金经理的“能力圈”。

综合来看，在基金经理重仓过的所有行业中，医药行业的 平均超额收益为-2%，且胜率为 33%，因此这位基金经理的行业能力圈不覆盖医药行业。 此外，基金经理 4 次配置机械行业，平均超额收益为 8%；2 次配置电子行业，平均超额收 益为 9%；两次配置电新行业，平均超额收益为 14%，且基金经理在三个行业上的胜率均 为 100%，说明基金经理能够有效从上述行业中选出优质股，能力圈覆盖上述行业。

采用重仓次数、重仓胜率、超额收益等指标，筛选能力圈稳定覆盖对应行业的基金经理 行业重仓次数刻画基金经理在行业内的投资经验。行业重仓次数是基金经理在管理期间里 重仓一个行业的次数。较高的重仓次数可能来源于对特定行业的显著偏好、较长的管理年 限、以及较多的基金管理数量。因此重仓次数代表了基金经理在该行业上的投资经验。为 保证数据统计的有效性，只有基金经理对于一个行业的重仓次数大于等于 10 次时视为有效 数据。低于 10 次的重仓行业不列入进一步筛选。 

行业平均超额收益是基金经理在该行业上每次重仓获取的超额收益的历史平均值。该指标 从收益角度刻画了基金经理在该行业内的选股能力。

行业重仓胜率描述基金经理获取重仓行业超额收益的稳定程度。我们计算基金经理对某个 行业每次重仓获得的超额收益，将超额收益为正的总次数除以在该行业上重仓的总次数， 即为基金经理在该行业的重仓胜率。胜率指标可以规避一次重仓带来极端收益，导致平均 超额收益指标出现较大偏差的情况，刻画出经理稳定获取收益的能力。但通常来说，重仓 次数较多的基金经理经历的复杂市场环境较多，可能胜率会低于重仓次数较少的新生代基 金经理，因此我们不能仅以胜率指标进行横向比较。当基金经理在一个行业重仓胜率大于 50%时，我们判断其具有较强的行业内的 alpha 选股能力，将其列为在该行业可以稳定获 得超额收益的基金经理。

筛选当前基金经理能力圈稳定覆盖所配行业的行业主题基金

为将基金经理能力圈测算结果落地到基金筛选，我们还需要将基金经理行业能力圈与基金 经理当前在管的行业主题基金进行匹配，筛选出当前基金经理能力圈稳定覆盖所配行业的 行业主题基金。

首先，我们针对每一行业，筛选出最近一期该行业仓位在 30%以上、且过去四期该行业平 均仓位在 30%以上的基金作为行业主题基金。其次，我们对行业主题基金当前在管基金经 理的行业能力圈进行分析，若其能力圈稳定覆盖此行业，则我们对该基金进行记录。由此， 我们共筛选出 372 支在任基金经理能力圈稳定覆盖所配置行业的行业主题基金。共由 186 位基金经理管理，覆盖 14 个一级行业。

构建指标体系，多角度刻画基金经理的行业内选股能力

从基金经理重仓行业收益和胜率角度针对行业主题型基金进行筛选后，我们将研究范围进 一步扩大到全市场选股基金，并构建指标体系来多角度定量衡量基金经理整体行业内选股 能力，研究基金经理能否从各个行业内部都选出表现出色的股票。

编辑：999感冒灵